CN110309872B - 基于多参数的配电电缆健康状态评估方法、系统及介质 - Google Patents

Abstract

本发明公开了一种基于多参数的配电电缆健康状态评估方法、系统及介质，本发明包括获取被检测配电电缆在当前状态下使用多种指定手段检测的健康状态参数，针对各种指定手段检测分别根据健康状态参数预测当前最佳健康状态参数，将得到的N种当前最佳健康状态参数构成N维特征向量，并输入预先训练好的机器学习模型，从而得到被检测配电电缆在当前状态下的健康状态评估结果，该机器学习模型被预先训练建立了N维特征向量、健康状态评估结果之间的映射关系。本发明能够有效克服单一参数检测不准确的问题，具有检测准确度高、可扩展性强、不依赖于特定的检测手段的优点，解决了数据采集时间点和频率的不同导致评估结果出现偏差的问题。

Description

基于多参数的配电电缆健康状态评估方法、系统及介质

技术领域

本发明涉及电力工程的电缆检测技术，具体涉及一种基于多参数的配电电缆健康状态评估方法、系统及介质。

背景技术

中低压配电网设备数量庞大，分布范围广，配网设备种类、服务年限和维护状况参差不齐。随着配电设备状态检测技术逐渐发展，虽然在一定程度上推动配电设备状态检测工作，然而基于振荡波局部放电、高频电流局部放电等一系列检测技术还存在着数据丢失、数据人工录入、数据共享问题，以及人工分析、经验积累、周期性复查和复杂电缆分析诊断等问题。尤其是当使用各检测技术所得参数进行综合评估时，由于数据采集时间点和频率不同导致评估结果出现偏差，影响评估准确性。

发明内容

本发明要解决的技术问题：针对现有技术的上述问题，提供一种基于多参数的配电电缆健康状态评估方法、系统及介质，能够有效克服单一参数检测不准确的问题，具有检测准确度高、可扩展性强、不依赖于特定的检测手段的优点，解决了数据采集时间点和频率的不同导致评估结果出现偏差的问题。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于多参数的配电电缆健康状态评估方法，实施步骤包括：

1)获取被检测配电电缆在当前状态下使用多种指定手段检测的健康状态参数，针对各种指定手段检测分别根据健康状态参数预测当前最佳健康状态参数，并将得到的N种当前最佳健康状态参数构成N维特征向量；

2)将N维特征向量输入预先训练好的机器学习模型，从而得到被检测配电电缆在当前状态下的健康状态评估结果；所述机器学习模型被预先训练建立了N维特征向量、健康状态评估结果之间的映射关系。

优选地，步骤1)的详细步骤包括：

1.1)分别使用多种指定手段检测被检测配电电缆在当前时刻及往前多个时刻的多个健康状态检测参数；

1.2)针对各种指定手段检测分别根据健康状态参数拟合曲线，然后分别根据拟合曲线预测各种指定手段的当前最佳健康状态参数，从而得到的N种当前最佳健康状态参数；

1.3)将得到的N种当前最佳健康状态参数构成N维特征向量。

优选地，所述得到的N种当前最佳健康状态参数包括基于高频电流检测数据预测得到的当前最佳局放放电量Qt、基于高频振荡波检测数据预测得到的当前最佳局放放电量Q1t、基于超低频绝缘测试系统检测数据预测得到的当前最佳绝缘水平Lev1、基于工频耐压试验装置检测数据预测得到的当前最佳绝缘水平Lev2、基于变频串联谐振耐压装置检测数据预测得到的当前最佳绝缘水平Lev3、基于绝缘电阻测试仪检测数据预测得到的当前最佳电阻值R。

优选地，所述机器学习模型为多元线性回归模型。

优选地，所述多元线性回归模型的函数模型为y＝W*X+b，其中y为健康状态评估结果，X为N维特征向量，W和b为回归参数，且回归参数W为权重向量，回归参数b为常数。

优选地，步骤2)之前包括训练多元线性回归模型的回归参数W和b步骤，详细步骤包括：

S1)预先分别针对不同健康状态的配电电缆获取被检测配电电缆在当前状态下使用多种指定手段检测的健康状态参数，将得到的N种健康状态参数构成N维特征向量，将N维特征向量作为输入数据、健康状态评估结果作为输出数据；

S2)使用最大最小值法分别对输入、输出数据进行预处理，从而把每一维的数据都缩小到[0,1]之间完成输入、输出数据的标准化；

S3)对标准化后的输入、输出数据进行随机分片，且指定比例的输入、输出数据作为训练集，其余的输入、输出数据作为测试集；

S4)将训练集导入多元线性回归模型，通过梯度下降法求解多元线性回归模型的代价函数的最小值，得到当前最优的回归参数W和b。

此外，本发明还提供一种基于多参数的配电电缆健康状态评估系统，包括计算机设备，该计算机设备被编程或配置以执行所述基于多参数的配电电缆健康状态评估方法的步骤。

此外，本发明还提供一种基于多参数的配电电缆健康状态评估系统，包括计算机设备，该计算机设备的存储介质上存储有被编程或配置以执行所述基于多参数的配电电缆健康状态评估方法的计算机程序。

此外，本发明还提供一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有被编程或配置以执行所述基于多参数的配电电缆健康状态评估方法的计算机程序。

此外，本发明还提供一种基于多参数的配电电缆健康状态评估系统，包括：

特征提取程序单元，用于获取被检测配电电缆在当前状态下使用多种指定手段检测的健康状态参数，将得到的N种健康状态参数构成N维特征向量；

特征分类程序单元，用于将N维特征向量输入预先训练好的机器学习模型，从而得到被检测配电电缆在当前状态下的健康状态评估结果；所述机器学习模型被预先训练建立了N维特征向量、健康状态评估结果之间的映射关系。

和现有技术相比，本发明具有下述优点：

1、本发明基于被检测配电电缆在当前状态下使用多种指定手段检测的健康状态参数来实现基于多参数的配电电缆健康状态评估，能够有效克服单一参数检测不准确的问题，具有检测准确度高、可扩展性强、不依赖于特定的检测手段的优点。

2、本发明获取被检测配电电缆在当前状态下使用多种指定手段检测的健康状态参数，针对各种指定手段检测分别根据健康状态参数预测当前最佳健康状态参数，并将得到的N种当前最佳健康状态参数构成N维特征向量，基于过去及当前时刻的测试数据预测当前最佳健康状态参数，解决了数据采集时间点和频率的不同导致评估结果出现偏差的问题。

附图说明

图1为本发明实施例方法的基本流程示意图。

图2为本发明实施例方法的原理示意图。

图3为本发明实施例中训练机器学习模型的流程图。

具体实施方式

如图1所示，本实施例基于多参数的配电电缆健康状态评估方法的实施步骤包括：

1)获取被检测配电电缆在当前状态下使用多种指定手段检测的健康状态参数，针对各种指定手段检测分别根据健康状态参数预测当前最佳健康状态参数，并将得到的N种当前最佳健康状态参数构成N维特征向量；

2)将N维特征向量输入预先训练好的机器学习模型，从而得到被检测配电电缆在当前状态下的健康状态评估结果；机器学习模型被预先训练建立了N维特征向量、健康状态评估结果之间的映射关系。本实施例中健康状态评估结果具体为评分值，此外也可以根据需要采用其他定性故障，同样也可以利用机器学习模型实现配电电缆健康状态的分类评估。

本实施例中，步骤1)的详细步骤包括：

1.1)分别使用多种指定手段检测被检测配电电缆在当前时刻及往前多个时刻的多个健康状态检测参数；

1.2)针对各种指定手段检测分别根据健康状态参数拟合曲线，然后分别根据拟合曲线预测各种指定手段的当前最佳健康状态参数，从而得到的N种当前最佳健康状态参数；

1.3)将得到的N种当前最佳健康状态参数构成N维特征向量。

如图2所示，得到的N种当前最佳健康状态参数包括基于高频电流检测数据预测得到的当前最佳局放放电量Qt、基于高频振荡波检测数据预测得到的当前最佳局放放电量Q1t、基于超低频绝缘测试系统检测数据预测得到的当前最佳绝缘水平Lev1、基于工频耐压试验装置检测数据预测得到的当前最佳绝缘水平Lev2、基于变频串联谐振耐压装置检测数据预测得到的当前最佳绝缘水平Lev3、基于绝缘电阻测试仪检测数据预测得到的当前最佳电阻值R。

本实施例中利用型号为HF-1000高频电流局部放电云检测仪实现基于高频电流检测，根据拟合曲线预测基于高频电流检测得到的当前最佳局放放电量Qt的步骤包括：

1-2：利用型号为HF-1000高频电流局部放电云检测仪进行检测，得到当前时刻的局放放电量测试数据Q_t0，并取出当前时刻前9个测试时间点的局放放电量测试数据(Q_t-9,Q_t-8,…Q_t-1)。

1-2：将局放放电量测试数据Q_t-9,Q_t-8,…Q_t-1,Q_t0及对应时刻点T_t-9,T_t-8,…T_t-1,T_t0作为输入，基于最小二乘法拟合曲线Qt＝AT²+BT+C得到拟合参数A、B、C的值，其中T为时间，Qt为局放放电量测试数据，从而根据拟合曲线Qt＝AT²+BT+C即可预测出当前时刻的基于高频电流检测得到的当前最佳局放放电量Qt。

其中，基于最小二乘法拟合曲线Qt＝At²+Bt+C的具体计算步骤如下(下同)：

将10个局放放电量测试数据Q_t-9,Q_t-8,…Q_t-1,Q_t0及对应时刻点T_t-9,T_t-8,…T_t-1,T_t0作为输入分别代入Qt＝At²+Bt+C，即可得到10个方程如下：

Q_t-9＝AT_t-9 ²+BT_t-9+C

Q_t-8＝AT_t-8 ²+BT_t-8+C

……

Q_t0＝AT_t0 ²+BT_t0+C

联立上述10个方程，设：

则有M*X＝Q，根据最小二乘法有X＝(M^T*M)^-1*M^T*Q，从而可得到拟合参数A、B、C的值。

本实施例中利用型号为ADOWS-10振荡波局部放电云检测系统实现基于高频振荡波检测，根据拟合曲线预测基于高频振荡波检测得到的当前最佳局放放电量Q1t的步骤包括：

步骤2-1：利用型号为ADOWS-10振荡波局部放电云检测系统进行检测，得到当前时刻的局部局放放电量测试数据Q1_t，取出当前时刻前9个测试时间点的局部局放放电量测试数据(Q1_t-9,Q1_t-8,…Q1_t-1)。

步骤2-2：将局部局放放电量测试数据(Q1_t-9,Q1_t-8,…Q1_t-1,Q1_t)及对应时刻点T_t-9,T_t-8,…T_t-1,T_t作为输入，基于最小二乘法拟合Q1＝A₁T²+B₁T+C₁得到拟合参数A₁、B₁、C₁的值，其中T为时间，Q1为局部局放放电量测试数据，从而预测出当前时刻的基于高频振荡波检测得到的当前最佳局放放电量Q1t。最小二乘法的步骤与前文步骤1-2记载相同。

本实施例中利用型号为VLF-40超低频绝缘测试系统实现基于超低频绝缘测试系统检测，根据拟合曲线预测基于超低频绝缘测试系统检测得到的当前最佳绝缘水平Lev1的步骤包括：

步骤3-1：利用型号为VLF-40超低频绝缘测试系统进行检测，得到当前时刻的绝缘水平测试数据Lev1_t，取出当前时刻前9个测试时间点的绝缘水平测试数据(Lev1_t-9,Lev1_t-8,…Lev1_t-1)。

步骤3-2：将(Lev1_t-9,Lev1_t-8,…Lev1_t-1,Lev1_t)及对应时刻点T_t-9,T_t-8,…T_t-1,T_t作为输入，基于最小二乘法拟合Lev1＝A₂T²+B₂T+C₂得到拟合参数A₂、B₂、C₂的值，其中T为时间，Lev1为绝缘水平测试数据，从而预测出当前时刻的基于超低频绝缘测试系统检测得到的当前最佳绝缘水平Lev1。最小二乘法的步骤与前文步骤1-2记载相同。

本实施例中利用型号为PFW-1000工频耐压试验装置实现基于工频耐压试验装置检测，根据拟合曲线预测基于工频耐压试验装置检测得到的当前最佳绝缘水平Lev2的步骤包括：

步骤4-1：利用型号为PFW-1000工频耐压试验装置进行检测，得到当前时刻的绝缘水平测试数据Lev2_t，取出当前时刻前9个测试时间点的绝缘水平测试数据(Lev2_t-9,Lev2_t-8,…Lev2_t-1)。

步骤4-2：将绝缘水平测试数据(Lev2_t-9,Lev2_t-8,…Lev2_t-1,Lev2_t)及对应时刻点T_t-9,T_t-8,…T_t-1,T_t作为输入，基于最小二乘法拟合Lev2＝A₃T²+B₃T+C₃得到拟合参数A₃、B₃、C₃的值，其中T为时间，Lev2为绝缘水平测试数据，从而预测出当前时刻的基于工频耐压试验装置检测得到的当前最佳绝缘水平Lev2。最小二乘法的步骤与前文步骤1-2记载相同。

本实施例中利用型号为SR-1035(135kVA)变频串联谐振耐压装置实现基于变频串联谐振耐压装置检测，根据拟合曲线预测基于变频串联谐振耐压装置检测得到的当前最佳绝缘水平Lev3的步骤包括：

步骤5-1：利用型号为SR-1035(135kVA)变频串联谐振耐压装置进行检测，得到当前时刻的绝缘水平测试数据Lev3_t，取出当前时刻前9个测试时间点的绝缘水平测试数据(Lev3_t-9,Lev3_t-8,…Lev3_t-1)。

步骤5-2：将绝缘水平测试数据(Lev3_t-9,Lev3_t-8,…Lev3_t-1,Lev3_t)及对应时刻点T_t-9,T_t-8,…T_t-1,T_t作为输入，基于最小二乘法拟合Lev3＝A₄T²+B₄T+C₄得到拟合参数A₄、B₄、C₄的值，其中T为时间，Lev3为绝缘水平测试数据，从而预测出当前时刻的绝缘水平Lev3。最小二乘法的步骤与前文步骤1-2记载相同。

本实施例中利用型号为MR-1000绝缘电阻测试仪实现基于绝缘电阻测试仪检测，根据拟合曲线预测基于绝缘电阻测试仪检测得到的当前最佳电阻值R的步骤包括：

步骤6-1：利用型号为MR-1000绝缘电阻测试仪进行检测，得到当前时刻的电阻值测试数据R_t，取出当前时刻前9个测试时间点的电阻值测试数据(R_t-9,R_t-8,…R_t-1)。

步骤6-2：将电阻值测试数据(R_t-9,R_t-8,…R_t-1,R_t)及对应时刻点T_t-9,T_t-8,…T_t-1,T_t作为输入，基于最小二乘法拟合R＝A₅T²+B₅T+C₅，其中T为时间，R为电阻值测试数据，从而预测出当前时刻的基于绝缘电阻测试仪检测得到的当前最佳电阻值R。最小二乘法的步骤与前文步骤1-2记载相同。

本实施例中，机器学习模型为多元线性回归模型。

本实施例中，多元线性回归模型的函数模型为y＝W*X+b，其中y为健康状态评估结果，X为N维特征向量，W和b为回归参数，且回归参数W为权重向量，回归参数b为常数。其中，N维特征向量的表达式为：

X＝[Qt Q1t Lev1 Lev2 Lev3 R]^T，

其中，括号内各个元素的符号分别表示前述N种当前最佳健康状态参数；

回归参数W的表达式为：

W＝[w1 w2 w3 w4 w5 w6]，

其中，每一个元素分别为对应一种当前最佳健康状态参数的权重，例如w1为基于高频电流检测得到的当前最佳局放放电量Qt对应的权重。

本实施例中，步骤2)之前包括训练多元线性回归模型的回归参数W和b步骤，如图3所示，详细步骤包括：

S1)预先分别针对不同健康状态的配电电缆获取被检测配电电缆在当前状态下使用多种指定手段检测的健康状态参数，将得到的N种健康状态参数构成N维特征向量，将N维特征向量作为输入数据、健康状态评估结果作为输出数据；

S2)使用最大最小值法分别对输入、输出数据进行预处理，从而把每一维的数据都缩小到[0,1]之间完成输入、输出数据的标准化；

使用最大最小值法分别对输入、输出数据进行预处理的函数表达式如下：

上式中，f(X_k)为输入或输出数据进行预处理后的结果，Xk为输入或输出数据的原始值，Xmin为该输入或输出数据的最小值，Xmax为该输入或输出数据的最大值。

S3)对标准化后的输入、输出数据进行随机分片，且指定比例的输入、输出数据作为训练集，其余的输入、输出数据作为测试集；本实施例中具体制定90％的数据集作为训练集，10％的数据集作为测试集。

S4)将训练集导入多元线性回归模型，通过梯度下降法求解多元线性回归模型的代价函数的最小值，得到当前最优的回归参数W和b；

本实施例中，代价函数L(W,b)的函数表达式如下：

上式中，m为训练集中训练样本的个数，yi为线性回归模型的输出，Si为训练样本的输出。

本实施例中，通过梯度下降法求解多元线性回归模型的代价函数的最小值时，梯度下降法采用的梯度下降函数的函数表达式如下：

上式中，wi为第i个权重参数，a为学习率，L为损失函数。当梯度下降函数的结果满足误差要求后训练完成，即可得到当前最优的回归参数W和b。

分别用训练集和测试集数据对训练完成的多元线性回归模型进行测试，如果测试得到的健康状态评估结果的准确率满足要求，则结束训练并退出；否则，跳转执行步骤S4)。

此外，本实施例还提供一种基于多参数的配电电缆健康状态评估系统，包括计算机设备，该计算机设备被编程或配置以执行前述基于多参数的配电电缆健康状态评估方法的步骤。

此外，本实施例还提供一种基于多参数的配电电缆健康状态评估系统，包括计算机设备，该计算机设备的存储介质上存储有被编程或配置以执行前述基于多参数的配电电缆健康状态评估方法的计算机程序。

此外，本实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有被编程或配置以执行前述基于多参数的配电电缆健康状态评估方法的计算机程序。

此外，本实施例还提供一种基于多参数的配电电缆健康状态评估系统，包括：

特征提取程序单元，用于获取被检测配电电缆在当前状态下使用多种指定手段检测的健康状态参数，将得到的N种健康状态参数构成N维特征向量；

特征分类程序单元，用于将N维特征向量输入预先训练好的机器学习模型，从而得到被检测配电电缆在当前状态下的健康状态评估结果；机器学习模型被预先训练建立了N维特征向量、健康状态评估结果之间的映射关系。

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种基于多参数的配电电缆健康状态评估方法，其特征在于实施步骤包括：

1）获取被检测配电电缆在当前状态下使用多种指定手段检测的健康状态参数，针对各种指定手段检测分别根据健康状态参数预测当前最佳健康状态参数，并将得到的N种当前最佳健康状态参数构成N维特征向量；

2）将N维特征向量输入预先训练好的机器学习模型，从而得到被检测配电电缆在当前状态下的健康状态评估结果；所述机器学习模型被预先训练建立了N维特征向量、健康状态评估结果之间的映射关系；

步骤1）的详细步骤包括：

1.1）分别使用多种指定手段检测被检测配电电缆在当前时刻及往前多个时刻的多个健康状态检测参数；

1.2）针对各种指定手段检测分别根据健康状态参数拟合曲线，然后分别根据拟合曲线预测各种指定手段的当前最佳健康状态参数，从而得到的N种当前最佳健康状态参数；

1.3）将得到的N种当前最佳健康状态参数构成N维特征向量。

2.根据权利要求1所述基于多参数的配电电缆健康状态评估方法，其特征在于，所述得到的N种当前最佳健康状态参数包括基于高频电流检测数据预测得到的当前最佳局放放电量Qt、基于高频振荡波检测数据预测得到的当前最佳局放放电量Q1t、基于超低频绝缘测试系统检测数据预测得到的当前最佳绝缘水平Lev1、基于工频耐压试验装置检测数据预测得到的当前最佳绝缘水平Lev2、基于变频串联谐振耐压装置检测数据预测得到的当前最佳绝缘水平Lev3、基于绝缘电阻测试仪检测数据预测得到的当前最佳电阻值R。

3.根据权利要求1所述基于多参数的配电电缆健康状态评估方法，其特征在于，所述机器学习模型为多元线性回归模型。

4.根据权利要求3所述基于多参数的配电电缆健康状态评估方法，其特征在于，所述多元线性回归模型的函数模型为y=W*X+b，其中y为健康状态评估结果，X为N维特征向量，W和b为回归参数，且回归参数W为权重向量，回归参数b为常数。

5.根据权利要求4所述基于多参数的配电电缆健康状态评估方法，其特征在于，步骤2）之前包括训练多元线性回归模型的回归参数W和b步骤，详细步骤包括：

S1）预先分别针对不同健康状态的配电电缆获取被检测配电电缆在当前状态下使用多种指定手段检测的健康状态参数，将得到的N种健康状态参数构成N维特征向量，将N维特征向量作为输入数据、健康状态评估结果作为输出数据；

S2）使用最大最小值法分别对输入、输出数据进行预处理，从而把每一维的数据都缩小到[0,1]之间完成输入、输出数据的标准化；

S3）对标准化后的输入、输出数据进行随机分片，且指定比例的输入、输出数据作为训练集，其余的输入、输出数据作为测试集；

S4）将训练集导入多元线性回归模型，通过梯度下降法求解多元线性回归模型的代价函数的最小值，得到当前最优的回归参数W和b。

6.一种基于多参数的配电电缆健康状态评估系统，包括计算机设备，其特征在于，该计算机设备被编程或配置以执行权利要求1～5中任意一项所述基于多参数的配电电缆健康状态评估方法的步骤。

7.一种基于多参数的配电电缆健康状态评估系统，包括计算机设备，其特征在于，该计算机设备的存储介质上存储有被编程或配置以执行权利要求1～5中任意一项所述基于多参数的配电电缆健康状态评估方法的计算机程序。

8.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有被编程或配置以执行权利要求1～5中任意一项所述基于多参数的配电电缆健康状态评估方法的计算机程序。

9.一种基于多参数的配电电缆健康状态评估系统，其特征在于包括：

特征提取程序单元，用于获取被检测配电电缆在当前状态下使用多种指定手段检测的健康状态参数，将得到的N种健康状态参数构成N维特征向量；

特征分类程序单元，用于将N维特征向量输入预先训练好的机器学习模型，从而得到被检测配电电缆在当前状态下的健康状态评估结果；所述机器学习模型被预先训练建立了N维特征向量、健康状态评估结果之间的映射关系；

所述特征提取程序单元的的详细执行步骤包括：1.1）分别使用多种指定手段检测被检测配电电缆在当前时刻及往前多个时刻的多个健康状态检测参数；1.2）针对各种指定手段检测分别根据健康状态参数拟合曲线，然后分别根据拟合曲线预测各种指定手段的当前最佳健康状态参数，从而得到的N种当前最佳健康状态参数；1.3）将得到的N种当前最佳健康状态参数构成N维特征向量。

Images